[論文レビュー] Light-Head R-CNN: In Defense of Two-Stage Object Detector

Zeming Li, Chao Peng+4 more|arXiv (Cornell University)|Nov 20, 2017

Advanced Neural Network Applications参考文献 1被引用数 284

ひとこと要約

本論文は薄い特徴マップと安価なR-CNNサブネットを用いて高い精度と高速を実現するライトヘッドの2段検出器を提案し、多くの単段および2段検出器をCOCOで上回る。

ABSTRACT

In this paper, we first investigate why typical two-stage methods are not as fast as single-stage, fast detectors like YOLO and SSD. We find that Faster R-CNN and R-FCN perform an intensive computation after or before RoI warping. Faster R-CNN involves two fully connected layers for RoI recognition, while R-FCN produces a large score maps. Thus, the speed of these networks is slow due to the heavy-head design in the architecture. Even if we significantly reduce the base model, the computation cost cannot be largely decreased accordingly. We propose a new two-stage detector, Light-Head R-CNN, to address the shortcoming in current two-stage approaches. In our design, we make the head of network as light as possible, by using a thin feature map and a cheap R-CNN subnet (pooling and single fully-connected layer). Our ResNet-101 based light-head R-CNN outperforms state-of-art object detectors on COCO while keeping time efficiency. More importantly, simply replacing the backbone with a tiny network (e.g, Xception), our Light-Head R-CNN gets 30.7 mmAP at 102 FPS on COCO, significantly outperforming the single-stage, fast detectors like YOLO and SSD on both speed and accuracy. Code will be made publicly available.

研究の動機と目的

• 従来の2段検出器が単段 detectorと比較して速度で遅れている理由を動機づける。
• 速度を向上させるために、2段検出器のヘッドを軽量化して精度を損なわずに高速化を図る。
• 薄い特徴マップと単純なR-CNNサブネットが効率と性能を向上させられることを示す。
• COCOで競争力のある精度を維持しつつ、小さなバックボーンを使用する柔軟性を示す。

提案手法

• 大カーネルの分離畳み込みによって薄い特徴マップを生成するライトヘッド2段検出器アーキテクチャを導入。
• RoI分類と回帰のための2048チャネルの全結合層1層からなる安価なR-CNNサブネットを接続。
• RoIプーリング前の薄い特徴マップを使用して計算量とメモリを削減し、RoIワーピングを効率化。
• RoIプーリング前に薄い特徴マップを豊富にするために大カーネル分離畳み込みを用いる（k=15, C_mid=256/64, C_out=490）RoIプーリング前。
• 薄いマップ上でRoIプーリング（PSRoI/ROI pooling）を適用し、軽量なR-CNNサブネットを続ける。
• 速度-精度のトレードオフを示すため、L（ResNet-101バックボーン）とS（小型のXception様バックボーン）を設定して実験。）

実験結果

リサーチクエスチョン

• RQ1 2段検出器のライトヘッドで単段検出器と速度差を埋めつつ精度を犠牲にしないことが可能か？
• RQ2 薄い特徴マップと単純なRoIサブネットは、大規模から超小型のバックボーンまで競争力の性能を提供するか？

主な発見

• ResNet-101バックボーンを用い、Light-Head R-CNNはlarge-kernel feature mapsと軽量R-CNNヘッドを組み合わせた場合に37.7 mmAPを達成。
• COCO test-dev（単一スケール）で、Light-Head R-CNNは refinements に応じて39.5–41.5 mmAPに達し、いくつかの高速検出器を上回る。
• tiny Xception様バックボーンを使用すると、Light-Head R-CNNは102 FPSで30.7 mmAPを達成し、速度と精度の両方でYOLO/SSDベースラインを上回る。
• RoI特徴マップチャネルを490（10×7×7）に減らし、2048チャネルFCヘッドを維持すると、競争的な mmAP (~31.4–35.2) と substantial speedup を得られる。
• 薄い特徴マップに大カーネル（k=15）を追加すると、ベースの薄-map バリアントより mmAPを約0.7ポイント改善。
• マルチスケール訓練と整列ベースのプーリング（PSRoI/ROI Align）を組み込むと、さらにmmAPの利得（PSAlignとマルチスケールで最大約1.3ポイント）を得られる。